Polars中如何按列分组计算滚动EWM指数加权移动均值？

你遇到的问题是因为错误地将ewm_mean嵌套在了rolling.agg中，导致每个滚动窗口内的EWM值被聚合为列表，而非每行对应一个累积的EWM均值。以下是两种符合预期的实现方式：

方法一：使用窗口函数over（推荐，与Pandas transform逻辑一致） #

先确保数据按分组和时间戳排序（如果原始数据未排序），然后通过over指定分组，直接计算每个行对应的EWM均值：

# 先按symbol和ts排序（确保时间序列顺序正确）
portfolios_sorted = portfolios.sort(["symbol", "ts"])

# 添加EWM均值列
result = portfolios_sorted.with_columns(
    pl.col("signal_0").ewm_mean(half_life=10).over("symbol").alias("signal_0_mean")
)

方法二：分组聚合后展开 #

通过group_by分组聚合，同时保留时间戳和原始字段，最后展开得到每行结果：

portfolios_sorted = portfolios.sort(["symbol", "ts"])

result = portfolios_sorted.group_by("symbol", maintain_order=True).agg(
    pl.col("ts"),
    pl.col("signal_0"),
    pl.col("signal_0").ewm_mean(half_life=10).alias("signal_0_mean")
).explode(["ts", "signal_0", "signal_0_mean"])

错误代码的问题解析 #

你原来的代码使用rolling("ts", group_by="symbol", period="1d").agg(...)，这会为每个时间点创建一个包含过去1天数据的滑动窗口，然后在窗口内对signal_0计算所有EWM值并聚合为列表。但EWM本身是累积式的指数加权平均，不需要滑动窗口，直接在分组内按时间顺序计算即可得到每行对应的实时均值，这与Pandas中groupby.transform(lambda x: x.ewm(...).mean())的逻辑完全匹配。

结果示例 #

执行上述正确代码后，会得到与Pandas一致的输出：

┌─────────────────────┬────────┬───────────┬───────────────────┐
│ ts                  ┆ symbol ┆ signal_0  ┆ signal_0_mean     │
│ ---                 ┆ ---    ┆ ---       ┆ ---               │
│ datetime[μs]        ┆ str    ┆ f64       ┆ f64               │
╞═════════════════════╪════════╪═══════════╪═══════════════════╡
│ 2022-02-14 09:20:00 ┆ A      ┆ -1.704301 ┆ -1.704301         │
│ 2022-02-14 09:50:00 ┆ A      ┆ 1.040125  ┆ -0.664176         │
│ 2022-02-14 10:20:00 ┆ A      ┆ 1.934686  ┆ 0.630255          │
│ 2022-02-14 10:50:00 ┆ A      ┆ 2.073418  ┆ 1.351832          │
│ 2022-02-14 11:20:00 ┆ A      ┆ 2.088835  ┆ 1.720334          │
│ 2022-02-14 09:20:00 ┆ AA     ┆ -1.181743 ┆ -1.181743         │
│ 2022-02-14 09:50:00 ┆ AA     ┆ 0.776798  ┆ -0.404945         │
│ 2022-02-14 10:20:00 ┆ AA     ┆ 1.480892  ┆ 0.537973          │
│ 2022-02-14 10:50:00 ┆ AA     ┆ 1.623698  ┆ 1.079836          │
│ 2022-02-14 11:20:00 ┆ AA     ┆ 1.741544  ┆ 1.400690          │
└─────────────────────┴────────┴───────────┴───────────────────┘

内容的提问来源于stack exchange，提问作者OneRaynyDay